学位论文 > 优秀研究生学位论文题录展示

基于HHT和决策树的滚动轴承故障诊断研究

作　者: 贾桂锋
导　师: 袁胜发
学　校: 华中农业大学
专　业: 农业电气化与自动化
关键词: 滚动轴承特征提取希尔伯特黄变换主成分分析支持向量机决策树
分类号: TH165.3
类　型: 硕士论文
年　份: 2011年
下　载: 74次
引　用: 0次
阅　读: 论文下载

内容摘要

由于轴承的寿命具有很大的离散性和不可预知性,对其进行故障诊断与实时监测来保证机械设备安全运行尤为重要。轴承故障诊断技术包括信号采集、特征提取、故障模式识别等环节,是一门包括机械、信号处理、人工智能、传感器等技术的交叉学科。本文中以滚动轴承6205为例,对其进行故障诊断分析,其主要故障形式有内圈故障、外圈故障、滚动体故障三类。主要研究轴承振动信号的故障特征提取方法、特征降维方法及多故障诊断算法在诊断技术中的应用,并将些算法在MATLAB GUI工程中实现,开发出故障诊断软件。特征提取是故障诊断技术的一个重要环节,对其进行选择的特征应该能准确而敏感地反映轴承的工作状态,本文结合相关文献利用以下几种方法综合提取特征：计算并提取信号的时域统计量作为特征,即常用的各阶中心矩与原点矩；在频域中应用参数法和非参数法估计信号的功率谱分析其频率特征；利用时频分析技术希尔伯特黄变换(HHT)来提取特征。主要开展的工作如下：将希尔伯特黄变换用于轴承的振动信号分解,计算各信号成分的希尔伯特谱和希尔伯特边际谱,提取相应的故障特征；为减轻经验模态分解出现的混叠现象,提取真实的频率成分,本文分析了信号及其导数的关系,提出一种用信号二阶导数的极值点取代原经验模态分解算法中的信号极值点的方法进行三次样条插值,并将其与改进前进行对比,发现改进的算法能准确分解出信号中幅值分量表现不明显的高频信号,具有很好的实用价值；针对多故障诊断的人工智能算法进行研究,本文中主要用到的算法是多分类支持向量机和决策树。在多分类支持向量机算法中,其方法是：一是从时域和频域中综合提取7个特征,在经过主成分分析降维,得到4个主成分,包含原有特征98.8%的信息。在MATLAB中对多分类支持向量机进行编程,对样本信号的主成分进行训练和预测,试验结果表明：该方法能有效诊断轴承的几种典型故障,总的正确识别率达97.3%。第二种诊断方法是将希尔伯特黄变换和决策树相结合。其方法是：首先用EMD对轴承振动信号进行分解处理,并对得到的固有模态函数进行自相关降噪,提取主要频率作为特征,再根据样本特征生成C4.5故障决策树,并将决策树的节点信息反馈给信号处理算法,以减少在预测工作过程中不必要的属性计算和特征提取,降低算法复杂度,形成一个闭环的诊断系统。实验结果表明该算法正确诊断率达96%。

全文目录

摘要  5-6
ABSTRACT  6-7
第1章绪论  7-13
  1.1 研究背景  7-8
  1.2 课题研究意义  8
  1.3 课题研究的目的  8-9
  1.4 滚动轴承故障诊断研究现状  9-13
第2章滚动轴承故障振动分类及实验方案  13-18
  2.1 滚动轴承振动分类  13-14
  2.2 实验方案  14-15
  2.3 实验数据  15-16
  2.4 基于MATLAB GUI设计的故障诊断软件总览  16-18
第3章希尔伯特黄变换算法的修正与实现  18-32
  3.1 经验模态分解(EMD)概述  18-21
  3.2 EMD算法的改进研究  21-26
  3.3 希尔伯特变换概述  26-27
  3.4 希尔伯特黄变换在MATLAB GUI中的实现  27-32
第4章滚动轴承故障特征提取  32-42
  4.1 滚动轴承振动信号的时域特征提取  32-34
  4.2 滚动轴承振动信号的频域特征提取  34-36
  4.3 基于MATLAB GUI的信号采集程序设计  36-39
  4.4 基于HHT的滚动轴承故障特征提取  39-42
第5章基于决策树和支持向量机的滚动轴承故障诊断  42-58
  5.1 基于决策树的故障诊断  42-48
  5.2 基于多分类支持向量机的故障诊断  48-58
第6章结论与讨论  58-60
  6.1 结论  58-59
  6.2 讨论  59-60
参考文献  60-63
致谢  63
硕士期间撰写论文  63

基于HHT和决策树的滚动轴承故障诊断研究

内容摘要

全文目录

相似论文